Road safety measurement with reliability using an advanced hybrid decision model
Notice bibliographique
Résumé
This study proposes a brand-new hybrid multi-criteria decision-making (MCDM) framework that combines High-Dimensional Vector Projection (HDVP) and Between-class Variance Maximization (BeVarMax), termed the HDVP-BeVarMax model, aiming to provide trustworthy decisions and defensible policy conclusions. Specifically, HDVP quantifies the relative proximity of each country to an ideal performance vector in a high-dimensional space, ensuring scale-invariant and geometrically meaningful aggregation. BeVarMax, inspired by Otsu's thresholding method, maximizes between-class variance to identify optimal groupings and uncover latent structure among alternatives, surpassing conventional clustering techniques such as k-means in robustness and global optimality. Using longitudinal data from 13 East Asia Summit (EAS) countries spanning 2012 to 2023, this model is applied to measure national road safety performance based on 15 tailored safety performance indicators (SPIs). Results demonstrate the model's reliability, robustness, and superior discriminative power across normalization and weighting schemes, validated through extensive sensitivity and benchmarking analyses. Policy implications are twofold: it enables benchmarking of high and low performers to guide targeted interventions, and it supports strategic resource allocation by identifying priority areas such as enforcement, infrastructure, and behavioral factors. The proposed model serves as a practical decision-support tool for monitoring progress and fostering regional cooperation in line with global road safety goals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».